手势识别(HGR)是近年来的热门话题之一。它己被广泛用于人机交互领域当中。手势识别技术在用自然裸露的手来描绘的手势沟通中发挥着重要作用。手势系统的主要目标是获得高识别率。本文主要研究高阶局部自相关(HLAC)特征及其提取方法,以建立用于解决HGR系统问题的特征模型。与传统的特征提取技术相比,高阶局部自相关方法具有限制手势图像每个像素点的阶数和空间位移的能力。手势识别仍然存在一些挑战。首先,我们需要检测非常多变且被复杂背景包围的人手。其次,现有技术的计算复杂性较高。第三,因为使用了传统的特征提取方法,HLAC在手势识别领域的实用中一次只使用少数特征。本文旨在提高手势识别任务的性能和计算效率。本文的主要贡献和相关成果如下:1.大多数手势识别的第一步是手区域检测和分割。当涉及复杂的背景和不同的照明时,这是一项特别具有挑战性的任务。在这样的环境中,特别是在动态手势的情况下,大多数手部检测技术无法获得精确的手部形状区域。我们采用了基于运动检测的现有技术的组合,并引入了一种新颖的肤色分类器来提高分割精度。运动检测基于图像差异和背景减除,肤色检测通过使用颜色分类技术来完成。实验结果表明,该方法能有效提高分割精度。2.传统的高阶局部自相关(HLAC)特征提取方法比较复杂,需要较高的计算成本来提取所需数量的特征。我们改进HLAC方法降低了计算复杂度。提取的HLAC特征与其局部自相关特征固有地相关,并且对移位方差和尺度方差不敏感。因此,关于图像中的手的特征分布和尺寸的限制被最小化。通过这种方式,计算复杂度显著降低。实验结果表明,在低计算成本下,HLAC特征对HGR有很高的识别准确率。3.为了在低计算成本的前提下有效地利用更多的特征,受到深度学习的显著成功的启发,提出了一种分级放样的低阶局部自相关特征提取方法。与原始的HLAC提取方法将所有内容计算到一个输入层不同,该方法的关键概念是将HLAC的计算分解为多层网络。实验结果表明,与传统的特征向量相比,改进的具有中等大小的HLAC特征向量具有更强大的判别性信息。4.为了实现更准确的手势识别,我们引入一种基于HLAC和HOG集成的新特征提取方法。我们研究了每个训练样本图像中HLAC和HOG特征之间的统计关系,并利用这种关系对特征进行分类。为了评估这种方法的表现性能,我们将提出的HLAC-HOG方法分别与颜色直方图(HOC),梯度方向直方图(HOG),局部二值模式(LBP)和Gabor滤波器等特征提取方法进行对比。利用人工神经网络,对组合的HLAC-HOG特征进行分类,得到了最优的分类结果。所提出的方法能提供识别准确度(92.85%)的最佳性能。上面提出的发现和结论将为手势识别提供新的视角,并将为后续研究提供可能。